Previsão de risco com distribuições assimétricas para ações brasileiras : um estudo comparativo pela perda realizada

Abstract

Resumo : Este trabalho tem como objetivo principal avaliar a performance de diferentes distribuicoes de probabilidade aplicadas ao modelo AR(1)-GARCH(1,1) na previsao da medida de risco Value at Risk para tres acoes brasileiras: VALE3, ITUB4 e EQTL3. Utilizando distribuicoes simetricas e assimetricas, como a normal, normal assimetrica, t de Student e t de Student assimetrica, são analisadas, variando os niveis de significancia (a = 1% e a = 5%). as previsoes de risco em tres periodos distintos, o total (2018 a 2024) e dois periodos fracionados considerando as metades do periodo total. Foram utilizadas janelas moveis para capturar diferentes horizontes temporais. Os resultados indicam que distribuicoes com caudas pesadas e assimetrias, como a t de Student assimetrica, proporcionam previsoes de risco mais precisas no geral, especialmente em cenarios de riscos mais flexiveis considerando a = 5%. Bem como, para periodos mais curtos de janelas rolantes e com maior volatilidade, a distribuicao normal assimetrica teve uma performance notavel. Disso, a analise das perdas realizadas confirma a superioridade dessas distribuicoes assimetricas para capturar a variabilidade de retornos de mercado no contexto brasileiro. Deste modo, o estudo contribui para o campo financeiro ao demonstrar a importância da escolha de modelos de previsao de risco adequados a diferentes cenarios economicos e perfis de volatilidade

Abstract : This study aims to evaluate the performance of different probability distributions applied to the AR(1)-GARCH(1,1) model in forecasting the risk measure Value at Risk for three Brazilian stocks: VALE3, ITUB4, and EQTL3. Symmetric and asymmetric distributions, such as the normal, skewed normal, Student’s t, and skewed Student’s t, are analyzed, varying the significance levels (a = 1% and a = 5%). Risk forecasts are evaluated across three distinct periods: the total period (2018 to 2024) and two fractional periods representing halves of the total period. Rolling windows were employed to capture different time horizons. The results indicate that heavy-tailed and asymmetric distributions, such as the skewed Student’s t, generally provide more accurate risk forecasts, particularly in more flexible risk scenarios at the a = 5% level. Additionally, for shorter rolling windows and higher volatility periods, the skewed normal distribution exhibited notable performance. The analysis of realized losses confirms the superiority of these asymmetric distributions in capturing market return variability in the Brazilian context. Thus, the study contributes to the financial field by demonstrating the importance of selecting appropriate risk forecasting models for different economic scenarios and volatility profiles